example proposal

30
โโโโโโโโโโโโโโโโโโโ (THESIS PROPOSAL) โโโโโโโโโโ (โโโโโโโ) กกกกกกกกกกกกกกกกกกกกก กกกกกกกกกกกกกกกกกกกกกกกก กกกกกกกกกก โโโโโโโโโโ (โโโโโโโโโโ) AN ADAPTATION OF EVOLUTION STRATEGIES FOR TIME SERIES FORECASTING โโโโโโโ ..................... โโโโโโโโโ ........................ โโโโโโโโ กกกกกกกกกกกกกกกกกกก โโโโโโโ กกกกกกกกกกกกกกกกกกก โโโ กกกกกกกกกกกกกก กกกกกกกกกก กกกกกกกกกกก โโโโโโโโโโโโโ ........................................ โโโโโโโโ ……………………………. โโโโโโ ……………………………. โโโโโโโโโโโโโโโโ ……………………………. โโโโโโโโโโโโโโโโโโโโ ……………………………. โโโโโโโโโ (โโโโโโโ) กกกกกกกกกกกกกกก กกกกกกกกก, กกกกกกกกกกกกกกกกกก, กกกกกกกกกกกกกกกกกกกก โโโโโโโโโ (โโโโโโโโโโ) GENETIC ALGORITHMS, EVOLUTION STRATEGIES, TIME SERIES FORECASTING

Upload: yong-yee-saelor

Post on 03-Mar-2015

333 views

Category:

Documents


2 download

TRANSCRIPT

Page 1: Example Proposal

โครงร�างวิ�ทยานิ�พนิธ์�(THESIS PROPOSAL)

ชื่��อเร��อง (ภาษาไทย) การดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�สำ�าหร�บการพยุากรณ์�อน์�กรมเวิลา

ชื่��อเร��อง (ภาษาอ�งกฤษ) AN ADAPTATION OF EVOLUTION STRATEGIES FOR

TIME SERIES FORECASTING

เสนิอโดย ….....................

รหั�สนิ�ส�ต ........................

หัลั�กส ตร วิ�ทยุาศาสำตรมหาบ�ณ์ฑิ�ต ภาควิ�ชื่า วิ�ศวิกรรมคอมพ�วิเตอร�คณะ วิ�ศวิกรรมศาสำตร� จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุสถานิท$�ต�ดต�อ ........................................

โทรศั�พท� …………………………….

อ$เมลั� …………………………….

อาจารย�ท$�ปร)กษา …………………………….

อาจารย�ท$�ปร)กษาร�วิม …………………………….

ค*าส*าค�ญ (ภาษาไทย) ขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม, กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�,

การพยุากรณ์�อน์�กรมเวิลาค*าส*าค�ญ (ภาษาอ�งกฤษ) GENETIC ALGORITHMS, EVOLUTION STRATEGIES,

TIME SERIES FORECASTING

Page 2: Example Proposal

2

Page 3: Example Proposal

โครงร�างวิ�ทยานิ�พนิธ์�

หั�วิข้-อวิ�ทยานิ�พนิธ์�ภาษาอ�งกฤษ AN ADAPTATION OF EVOLUTION STRATEGIES FOR TIME SERIES FORECASTINGภาษาไทย การดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�สำ�าหร�บการพยุากรณ์�อน์�กรมเวิลา

1. ท$�มาแลัะควิามส*าค�ญข้องป/ญหัาการพยุากรณ์�ม&ควิามสำ�าค�ญใน์หลายุๆ ดั*าน์ เป+น์จุ�ดัเร�,มต*น์ขั้องการ

วิางแผน์ การบร�หารควิามเสำ&,ยุง ชิ.วิยุใน์การประเม�น์ การคาดัการณ์�ล.วิงหน์*า ท�าให*ร0 *แน์วิโน์*มขั้องเหต�การณ์�ใน์อน์าคต สำ.งผลถึ3งการต�ดัสำ�น์ใจุและการวิางแผน์สำ�าหร�บอน์าคต ผ0*บร�หารระดั�บสำ0งขั้ององค�กร ใชิ*การพยุากรณ์�เพ4, อวิางแผน์กลยุ�ทธ์�สำ�าหร�บองค�กรใน์ระยุะยุาวิ ผ0*ลงท�น์ใชิ*การพยุากรณ์�เพ4,อดั0แน์วิโน์*มควิามเสำ&,ยุงท&,ไม.แน์.น์อน์ หน์.วิยุงาน์ขั้องร�ฐใชิ*การพยุากรณ์�เพ4,อวิางน์โยุบายุระดั�บชิาต� เชิ.น์ อ�ตราการเต�บโตทางเศรษฐก�จุ การเพ�,มปร�มาณ์ประชิากร ม0ลค.าการสำ.งออก เป+น์ต*น์

การพยุากรณ์�อน์�กรมเวิลา เป+น์การพยุากรณ์�ท&,อาศ�ยุขั้*อม0ลใน์อดั&ตมาพ�จุารณ์าล�กษณ์ะการเปล&,ยุน์แปลงขั้องขั้*อม0ลใน์ชิ.วิงเวิลาน์�%น์ๆ วิ.าม&การเปล&,ยุน์แปลงไปอยุ.างไร ม&การเคล4, อน์ไหวิขั้องขั้*อม0ลมากน์*อยุเพ&ยุงใดั โดัยุม&สำมม�ต�ฐาน์วิ.าการเคล4,อน์ไหวิขั้องขั้*อม0ลใน์อดั&ตจุะสำ.งผลต.ออน์าคต และจุะท�าการประมาณ์ค.าขั้*อม0ลใน์อน์าคตโดัยุอาศ�ยุขั้*อม0ลใน์อดั&ตเหล.าน์&% วิ�ธ์&การใน์การพยุากรณ์�แบ.งไดั*เป+น์ 2 วิ�ธ์& ค4อ การพยุากรณ์�เชิ�งค�ณ์ภาพ (Qualitative

Forecasting) ซึ่3,งจุะใชิ*การคาดัการณ์�ขั้องผ0*เชิ&,ยุวิชิาญและอาศ�ยุขั้*อม0ลท&,ม&อ�ทธ์�พลต.อการพยุากรณ์� และการพยุากรณ์�เชิ�งปร�มาณ์ (Quantitative

Forecasting) ซึ่3,งใชิ*ต�วิแบบทางคณ์�ตศาสำตร�ใน์การพยุากรณ์� การใชิ*ต�วิแบบทางคณ์�ตศาสำตร�น์&%ก:ม&ป;ญหาอ&กวิ.าจุะเล4อกต�วิแบบใดัมาใชิ*ใน์การพยุากรณ์� เพราะใน์การเล4อกต�วิแบบก:ไม.ทราบวิ.าต�วิแบบใดัเหมาะสำมกวิ.าก�น์ และสำ�าหร�บบางป;ญหาก:ไม.ม&ต�วิแบบใน์การพยุากรณ์� ท�าให*เก�ดัค�าถึามตามมาวิ.าจุะพยุากรณ์�อยุ.างไรโดัยุท&,ไม.ต*องทราบต�วิแบบใน์การพยุากรณ์�ล.วิงหน์*า และไม.ทราบวิ.าสำ�มประสำ�ทธ์�<ขั้องต�วิแบบควิรเป+น์อะไร

Page 4: Example Proposal

น์�กวิ�จุ�ยุจุ�าน์วิน์มาก ไดั*ห�น์มาสำน์ใจุการใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการ (Evolutionary Algorithms) ใ น์ ป; ญ ห า ก า ร พ ยุ า ก ร ณ์� อ น์ า ค ต เ ชิ. น์ Vijayan และ Suresh [23] ไดั* ใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม (Genetic

Algorithms) ใน์ต� วิแบบเชิ�ง เสำ*น์สำ�า หร�บการพยุากรณ์�อน์�กรมเวิลา ,

Chiraphadhanakul และคณ์ะ [11] ใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมใน์การพยุากรณ์�เง�น์ฝากธ์น์าคารพาณ์�ชิยุ�, Kendall และคณ์ะ [17] ใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� (Evolution Strategies) ใน์การพยุากรณ์�อ�ตราเง�น์เฟ้?อ, Sheta

แ ล ะ Mahmoud [22] ใ ชิ* ก�า ห น์ ดั ก า ร เ ชิ� ง พ� น์ ธ์� ก ร ร ม (Genetic

Programming) ใน์การพยุากรณ์�กระแสำน์�%าขั้องแม.น์�%าไน์ล�, Iba และ Sasaki

[15] ใชิ*ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรมใน์การท�าน์ายุตลาดัห�*น์ญ&,ป�@น์, Santini และ Tettamanzi [21] ใชิ*ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรมใน์การพยุากรณ์�ดั�ชิน์&ดัาวิน์�โจุน์สำ� เป+น์ต*น์

งาน์วิ�จุ�ยุใน์การใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการสำ�าหร�บป;ญหาการพยุากรณ์�ท&,ผ.าน์มา ดั�งต�วิอยุ.างขั้*างต*น์ จุะใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� ใน์การหาสำ�มประสำ�ทธ์�<ขั้องต�วิแบบพยุากรณ์�เชิ.น์ใน์งาน์ [23, 11, 17] หร4อจุะใชิ*ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรมใน์การหาฟ้;งก�ชิ�น์การพยุากรณ์�เชิ.น์ใน์งาน์ [22, 15,

21] แต.งาน์วิ�จุ�ยุท&,จุะน์�าเสำน์อน์&% ไดั*น์�าเอาขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมและกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�มารวิมก�น์ เพ4,อหาต�วิแบบใน์การพยุากรณ์�พร*อมก�บค.าสำ�มประสำ�ทธ์�< โดัยุน์�าขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมมาใชิ*ก�บต�วิแบบพยุากรณ์� และใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ใน์การหาค.าสำ�มประสำ�ทธ์�<ท&, เหมาะสำมไปพร*อมๆ ก�น์ โดัยุอาศ�ยุควิามคล*ายุคล3งก�น์ระหวิ.างขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมก�บกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� ท&,ม&การแสำดังร0ปแบบขั้องโครโมโซึ่มท&,ม&ควิามยุาวิคงท&, งาน์วิ�จุ�ยุน์&%จุ3งไดั*พ�ฒน์าวิ�ธ์&การใน์การพยุากรณ์�โดัยุท&,ไม.ต*องร0 *ต�วิแบบพยุากรณ์�ล.วิงหน์*า โดัยุไดั*น์�าวิ�ธ์&ดั�งกล.าวิมาชิ.วิยุสำร*างต�วิแบบใน์การพยุากรณ์�ซึ่3,งวิ�ธ์&น์&%ท�าให*แก*ป;ญหาขั้องการเล4อกต�วิแบบพยุากรณ์� และยุ�งท�าให*สำามารถึพยุากรณ์�ใน์ป;ญหาท&,ไม.ร0 *ต�วิแบบพยุากรณ์�และสำ�มประสำ�ทธ์�<ไดั*อ&กดั*วิยุ

2. ทฤษฎี$ท$�เก$�ยวิข้-องงาน์วิ�จุ�ยุน์&%น์�าขั้�%น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการมาใชิ*ใน์การพยุากรณ์� ไดั*แก. ขั้�%น์

ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม และกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� ซึ่3,งใชิ*หล�กใน์การวิ�วิ�ฒน์าการค�าตอบเหม4อน์ก�น์ แต.แตกต.างก�น์ใน์รายุละเอ&ยุดั โดัยุท�%งสำองวิ�ธ์&ม&รายุละเอ&ยุดัการท�างาน์ดั�งน์&%

2

Page 5: Example Proposal

ข้md2.1 ข้�1นิตอนิวิ�ธ์$เชื่�งพ�นิธ์2กรรม (Genetic Algorithms)

ขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม [12] เสำน์อโดัยุ Holland [14] ซึ่3,งเป+น์ขั้�%น์ตอน์วิ�ธ์&การค*น์หาค�าตอบท&,เล&ยุน์แบบกระบวิน์การวิ�วิ�ฒน์าการขั้องธ์รรมชิาต� ตามทฤษฎี&ขั้อง Darwin ซึ่3,งพ0ดัถึ3งการถึ.ายุทอดัล�กษณ์ะทางพ�น์ธ์�กรรมจุากร� .น์หน์3,งสำ0.อ&กร� .น์หน์3,ง วิ.าพ.อแม.สำามารถึถึ.ายุทอดัล�กษณ์ะต.างๆ ไปสำ0.ร� .น์ล0กไดั* ดั�งจุะเห:น์ไดั*จุากการท&,ล0กม&หน์*าตาเหม4อน์พ.อ ฉลาดัเหม4อน์แม. เป+น์ต*น์ สำ�,งม&ชิ&วิ�ตใน์ธ์รรมชิาต�อาศ�ยุการถึ.ายุทอดัพ�น์ธ์�กรรมน์&%เพ4,อท&,จุะดั�ารงเผ.าพ�น์ธ์��อยุ0.ต.อไป สำ�,งม&ชิ&วิ�ตท&,ม&ล�กษณ์ะเหมาะสำมและสำามารถึปร�บต�วิเพ4,อควิามอยุ0.รอดัใน์สำภาวิะแวิดัล*อมต.างๆ ไดั* ก:จุะสำ4บล0กหลาน์ต.อไป แต.ถึ*าสำ�,งม&ชิ&วิ�ตใดัไม.สำามารถึปร�บต�วิไดั*หร4อไม.เหมาะสำมก:จุะล*มตายุลง และดั*วิยุกระบวิน์การค�ดัเล4อกสำ�,งท&,เหมาะสำมท&,จุะไดั*อยุ0.รอดัน์&%เองท�าให*เก�ดักระบวิน์การวิ�วิ�ฒน์าการใน์ธ์รรมชิาต�ขั้3%น์ สำ�,งม&ชิ&วิ�ตต.างๆ จุะต*องพยุายุามพ�ฒน์าต�วิเองขั้3%น์เพ4,อให*อยุ0.รอดั และเม4,อผ.าน์เวิลาไประยุะหน์3,ง ก:จุะไดั*สำ�,งม&ชิ&วิ�ตท&,ดั&และเหมาะสำม

จุากหล�กการวิ�วิ�ฒน์าการตามธ์รรมชิาต�น์&%เอง ท&,ท�าให*เก�ดัแน์วิควิามค�ดัใน์การพ�ฒน์า เทคน์�คทางการ ค�า น์วิณ์เชิ�ง วิ� วิ�ฒน์าการ (Evolutionary

Computation) ซึ่3,งเป+น์การหาค�าตอบโดัยุอาศ�ยุประชิากร โดัยุท&,ประชิากรเหล.าน์&%จุะถึ0กวิ�วิ�ฒน์าการผ.าน์ร� .น์สำ0.ร� .น์เพ4, อให*เขั้*าใกล*ค�า ตอบท&,ดั& ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมก:เป+น์หน์3,งใน์เทคน์�คน์&% โดัยุขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมจุะแทน์ค�าตอบหร4อผลเฉลยุขั้องป;ญหาต.างๆ ใน์ร0ปแบบขั้องโครโมโซึ่ม (Chromosome)

แต.ละโครโมโซึ่มจุะแทน์ดั*วิยุสำายุอ�กขั้ระขั้องเลขั้ฐาน์สำอง ตามธ์รรมชิาต�สำ�,งม&ชิ&วิ�ตหน์3,งๆ ก:จุะประกอบดั*วิยุโครโมโซึ่มชิ�ดัหน์3,ง เทคน์�คการค�าน์วิณ์น์&%ก:เชิ.น์เดั&ยุวิก�น์ ประชิากรหน์3,งต�วิ (Individual) ก:จุะประกอบดั*วิยุสำายุอ�กขั้ระฐาน์สำองชิ�ดัหน์3,ง และหลายุๆ ประชิากรรวิมก�น์ก:จุะกลายุเป+น์กล�.มขั้องประชิากร (Population)

ขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมจุะเร�,มต*น์จุากการสำ�.มประชิากรขั้3%น์มาจุ�าน์วิน์หน์3,ง และจุะท�าการประเม�น์ค.าควิามเหมาะสำมขั้องประชิากร โดัยุการแปลงสำายุอ�กขั้ระท&,ถึ0กจุ�ดัเก:บไวิ*แล*วิน์�ามาค�าน์วิณ์ค.าควิามเหมาะสำมโดัยุใชิ*ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำม (Fitness Function) ซึ่3,งเป+น์การวิ�ดัค.าควิามดั&ขั้องค�า ตอบแต.ละต�วิ ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำมน์&%จุะแตกต.างก�น์ไปขั้3%น์ก�บแต.ละป;ญหา ชิ�ดัขั้องประชิากรท&,ท�าการประเม�น์ค.าแล*วิจุะถึ0กเล4อกและสำร*างประชิากรร� .น์ใหม.ขั้3%น์ แต.ละคร�%งท&,สำร*างประชิากรร� .น์ใหม.ขั้3%น์มาจุะเร&ยุกวิ.าร� .น์ (Generation) กระบวิน์การ

3

Page 6: Example Proposal

วิ�วิ�ฒน์าการจุะเล4อกประชิากรท&,ดั&ใน์แต.ละร� .น์เพ4,ออยุ0.รอดัใน์ร� .น์ต.อไป และจุะวิน์ซึ่�%าอยุ0.อยุ.างน์&%จุน์กวิ.าจุะไดั*ค�าตอบท&,ดั& หร4อท�าจุน์กวิ.าจุะถึ3งจุ�าน์วิน์ร� .น์สำ0งสำ�ดัท&,ก�าหน์ดัไวิ* ขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมเขั้&ยุน์เป+น์รห�สำเท&ยุมไดั*ดั�งร0ปท&, 1

Procedure GAbegin

generation = 0Initialize (population)Evaluate (population)while ( termination criterion not

fulfilled ) doCreate_new_generation

(population)Evaluate (population)generation = generation + 1

odend

ร ปท$� 1 รห�สำเท&ยุมขั้องขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม

รายุละเอ&ยุดัขั้องขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมใน์ร0ปท&, 1 ประกอบดั*วิยุ การสำร*างกล�.มประชิากรเร�,มต*น์ การประเม�น์ค.าค�าตอบ การสำร*างกล�.มประชิากรร� .น์ใหม. ซึ่3,งม&รายุละเอ&ยุดัดั�งน์&%

1. การสร-างกลั2�มประชื่ากรเร��มต-นิขั้�%น์ตอน์วิ�ธ์& เชิ�งพ�น์ธ์�กรรมจุะก�า หน์ดัประชิากรเร�,มต*น์โดัยุการสำ�.ม

(Random) ประชิากรแต.ละต�วิจุะถึ0กแสำดังดั*วิยุสำายุอ�กขั้ระฐาน์สำองท&,ม&ควิามยุาวิคงท&, การสำ�.มเร�,มต*น์น์&%จุะท�าการสำ�.มสำายุอ�กขั้ระฐาน์สำองให*ก�บประชิากรท�กต�วิเป+น์ค.าเร�,มต*น์ เชิ.น์ ป;ญหาการหาค.าสำ0งสำ�ดัขั้องฟ้;งก�ชิ�น์ f(x) = x2 เม4,อ x ม&ค.าต�%งแต. 0 ถึ3ง 31 สำามารถึแทน์ค.า x เป+น์สำายุอ�กขั้ระฐาน์สำองท&,ม&ควิามยุาวิเท.าก�บ 5 ไดั*ดั�งตารางท&, 1

ตารางท$� 1 การแทน์ค.า x ดั*วิยุสำายุอ�กขั้ระฐาน์สำอง

4

Page 7: Example Proposal

String Value x0 0 0 0 0 00 0 0 0 1 1

: :1 1 1 1 1 31

การสำร*างประชิากรเร�,มต*น์ก:จุะสำ�.มจุ�าน์วิน์สำายุอ�กขั้ระฐาน์สำองเท.าก�บจุ�าน์วิน์ประชิากร เชิ.น์ ถึ*าก�าหน์ดัจุ�าน์วิน์ประชิากรเท.าก�บ 5 ก:จุะสำ�.มสำายุอ�กขั้ระฐาน์สำองมา 5 สำายุแทน์ประชิากร 5 ต�วิ

2. การประเม�นิค�าค*าตอบขั้�%น์ตอน์น์&%เป+น์การวิ�ดัค.าควิามเหมาะสำมขั้องประชิากรแต.ละต�วิ โดัยุใชิ*

ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำม และค.าท&,ไดั*จุากฟ้;งก�ชิ�น์น์&%ก:จุะเร&ยุกวิ.าค.าควิามเหมาะสำม (Fitness Value) ซึ่3,งค.าควิามเหมาะสำมน์&%จุะเป+น์ต�วิบอกวิ.าประชิากรต�วิใดัเหมาะสำมหร4อดั&กวิ.าก�น์ ค.าน์&%จุะถึ0กน์�าไปใชิ*ใน์การค�ดัเล4อกประชิากรสำ�าหร�บร� .น์ต.อไป

การประเม�น์ค.าควิามเหมาะสำมจุะท�าโดัยุการแปลงค.าขั้องประชิากรท&,จุ�ดัเก:บอยุ0.ใน์ร0ปแบบขั้องโครโมโซึ่มซึ่3,งเป+น์เลขั้ฐาน์สำอง ให*เป+น์ค�าตอบใน์ร0ปแบบท&,จุะน์�าไปเป+น์ขั้*อม0ลเขั้*าสำ�าหร�บฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำม เชิ.น์ ป;ญหาค.าสำ0งสำ�ดัขั้*างต*น์ สำามารถึค�าน์วิณ์ค.าควิามเหมาะสำมไดั*ดั�งตารางท&, 2

ตารางท$� 2 การหาค.าควิามเหมาะสำมขั้องประชิากร

String Value x Fitness value (x2)

1 0 1 0 1 21 4411 0 0 0 1 17 2890 1 0 1 0 10 1001 0 1 1 1 23 5291 0 1 1 0 22 484

3. การสร-างกลั2�มประชื่ากรร2�นิใหัม�การสำร*างกล�.มประชิากรใหม.น์�%น์เก�ดัจุากการเล4อกประชิากรร� .น์ก.อน์หน์*า

มาสำร*างเป+น์ประชิากรใหม. โดัยุอาศ�ยุกระบวิน์การสำ4บพ�น์ธ์�� (Reproduction)

การกลายุพ�น์ธ์�� (Mutation) และการไขั้วิ*เปล&,ยุน์ (Crossover) ท�าให*ประชิากรร� .น์ใหม.ม&ล�กษณ์ะบางประการขั้องประชิากรร� .น์ก.อน์หน์*าต�ดัมาดั*วิยุ การค�ดัเล4อก

5

Page 8: Example Proposal

ประชิากรเพ4,อน์�าไปสำร*างกล�.มประชิากรร� .น์ถึ�ดัไปสำามารถึท�าไดั*หลายุวิ�ธ์& โดัยุปกต�จุะใชิ*วิ�ธ์&ค�ดัเล4อกตามสำ�ดัสำ.วิน์ขั้องค.าควิามเหมาะสำม (Roulette Wheel

Selection) ซึ่3,งวิ�ธ์&การน์&%ประชิากรท&,ม&ค.าควิามเหมาะสำมสำ0งกวิ.า จุะม&โอกาสำถึ0กเล4อกไดั*มากกวิ.าประชิากรท&,ม&ค.าควิามเหมาะสำมต�,า เม4,อเล4อกประชิากรต*น์แบบไดั*แล*วิ ก:จุะท�าการสำร*างกล�.มประชิากรร� .น์ใหม.ดั*วิยุวิ�ธ์&การดั�งต.อไปน์&%

3.1 การสำ4บพ�น์ธ์��วิ�ธ์&การน์&%เป+น์การสำร*างประชิากรใหม. จุากประชิากรต*น์แบบ 1 ต�วิ โดัยุ

ประชิากรใหม.ท&,ไดั*จุะม&ล�กษณ์ะเหม4อน์ประชิากรต*น์แบบท�กประการ ม�กใชิ*ก�บประชิากรต*น์แบบท&,ม&ค.าควิามเหมาะสำมสำ0งท&,สำ�ดัใน์ร� .น์น์�%น์ๆ เพ4,อท&,จุะไดั*ถึ.ายุทอดัล�กษณ์ะท&,ดั&ท&,สำ�ดัไวิ*ใน์ร� .น์ถึ�ดัไป

3.2 การกลายุพ�น์ธ์��วิ�ธ์&การน์&%เป+น์การสำร*างประชิากรใหม.ขั้3%น์จุากประชิากรต*น์แบบ 1 ต�วิ โดัยุจุะ

ท�าการเปล&,ยุน์ล�กษณ์ะบางประการขั้องประชิากรต*น์แบบ กล.าวิค4อ ท�าการเปล&,ยุน์ค.าใน์สำายุอ�กขั้ระจุากเดั�มเป+น์ค.าใหม.ดั*วิยุการสำ�.มต�าแหน์.งใน์สำายุอ�กขั้ระ แล*วิเปล&,ยุน์ค.าตรงต�าแหน์.งน์�%น์ เชิ.น์ ถึ*าต�าแหน์.งเดั�มเป+น์ค.า 0 ก:เปล&,ยุน์เป+น์ 1 แต.ถึ*าเป+น์ 1 อยุ0. ก:เปล&,ยุน์เป+น์ 0 ต�วิอยุ.างการกลายุพ�น์ธ์��แสำดังใน์ร0ปท&, 2

1 0 1 1 0

1 0 0 1 0

ร ปท$� 2 ต�วิอยุ.างการกลายุพ�น์ธ์��

3.3 การไขั้วิ*เปล&,ยุน์วิ�ธ์&การน์&%เป+น์การสำร*างประชิากรใหม.จุากประชิากรต*น์แบบ 2 ต�วิ โดัยุการ

แลกเปล&,ยุน์ค�ณ์ล�กษณ์ะบางประการขั้องประชิากรต*น์แบบท�%ง 2 ต�วิ การไขั้วิ*เปล&,ยุน์จุะเร�,มดั*วิยุการสำ�.มต�าแหน์.งใน์สำายุอ�กขั้ระเชิ.น์เดั&ยุวิก�บการกลายุพ�น์ธ์�� ท&,ต�าแหน์.งท&,สำ�.มไดั* จุะต�ดัแบ.งสำายุอ�กขั้ระท�%งค0.ท&,ต�าแหน์.งน์�%น์ และแลกเปล&,ยุน์ชิ�%น์สำ.วิน์ท&,ต�ดัออกสำล�บก�น์ ท�า ให*ไดั*ประชิากรใหม. 2 ต�วิ ท&,ม&ค�ณ์ล�กษณ์ะร.วิมก�น์ระหวิ.างประชิากรต*น์แบบท�%งสำองต�วิ การไขั้วิ*เปล&,ยุน์แสำดังใน์ร0ปท&, 3

1 0 1 1 00 0 1 0 1

6

Page 9: Example Proposal

1 0 1 0 10 0 1 1 0

ร ปท$� 3 ต�วิอยุ.างการไขั้วิ*เปล&,ยุน์

2.2 กลัย2ทธ์�เชื่�งวิ�วิ�ฒนิ� (Evolution Strategies)

ใน์ระยุะเวิลาใกล*เค&ยุงก�บท&, Holland เสำน์อขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม Rechenberg [19] ก:ไดั*เสำน์อวิ�ธ์&การหาค.าเหมาะสำมท&,สำ�ดัท&,เร&ยุกวิ.ากลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� [7, 8] เพ4,อใชิ*ก�บป;ญหาท&,ค�าตอบเป+น์เวิคเตอร�ขั้องจุ�าน์วิน์จุร�ง ใน์การหาค.าเหมาะสำมท&,สำ�ดัโดัยุใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� จุะหาค.าท&,ดั&ท&,สำ�ดัดั�งสำมการท&, 1

(1)

เม4,อ ค4อ ฟ้;งก�ชิ�น์ค.าเหมาะสำมท&,สำ�ดัค4อ เวิคเตอร�ขั้องจุ�าน์วิน์จุร�ง n ม�ต�ค4อ เวิคเตอร�ท&,ท�าให* ม&ค.าน์*อยุท&,สำ�ดั

M ค4อ เชิตขั้องค�าตอบท&,เป+น์ไปไดั*

กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�อยุ.างง.ายุเร�,มต*น์ดั*วิยุการม&ประชิากร 1 ต�วิ ท&,สำร*างประชิากรใหม. 1 ต�วิ เร&ยุกวิ.า (1+1)-ES ขั้�%น์ตอน์การท�างาน์ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�แบบ (1+1)-ES เร�,มต*น์จุากการสำ�.มค.าเวิคเตอร�จุ�าน์วิน์จุร�งและค.าสำ.วิน์เบ&,ยุงเบน์มาตรฐาน์ (Standard Deviation) พร*อมท�%งหาค.าควิามเหมาะสำมขั้องประชิากรเร�,มต*น์ แล*วิสำร*างประชิากรใหม. 1 ต�วิดั*วิยุการกลายุพ�น์ธ์��โดัยุอาศ�ยุก า ร สำ�. ม ค. า จุ�า น์ วิ น์ จุ ร�ง ขั้3% น์ ม า จุ า ก ก า ร ก ร ะ จุ า ยุ แ บ บ ป ก ต� (Normal

Distribution) ท&, ม&ค. า เฉล&, ยุ (Mean) เท. าก�บ 0 และค. าสำ.วิน์เบ&,ยุง เบน์มาตรฐาน์เท.าก�บ จุากน์�%น์ท�าการประเม�น์ค.าควิามเหมาะสำมขั้องประชิากรท&,สำร*างขั้3%น์ใหม. โดัยุใชิ*ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำม แล*วิเล4อกประชิากรต�วิท&,เหมาะสำมกวิ.าเป+น์ประชิากรใน์ร� .น์ต.อไป รห�สำเท&ยุมขั้อง (1+1)-ES แสำดังใน์ร0ปท&, 4

Procedure (1+1)-ESbegin

generation = 0Initialize ( )Evaluate ( )

7

Page 10: Example Proposal

while ( termination criterion not fulfilled ) do

= mutate ( )Evaluate ( )if ( ) then ( ) = generation = generation + 1

odend

ร ปท$� 4 รห�สำเท&ยุมขั้อง (1+1)-ES

รายุละเอ&ยุดัขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ดั�งร0ปท&, 4 ประกอบดั*วิยุ การสำร*างประชิากรเร�,มต*น์ การประเม�น์ค.าค�าตอบ การสำร*างประชิากรร� .น์ใหม.ดั*วิยุการกลายุพ�น์ธ์�� ซึ่3,งม&รายุละเอ&ยุดัดั�งน์&%

1. การสร-างประชื่ากรเร��มต-นิเร�,มต*น์การท�างาน์ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� จุะสำร*างประชิากรเร�,มต*น์โดัยุการ

สำ�.มค.าจุ�าน์วิน์จุร�งขั้3%น์มา n ค.า (เป+น์เวิคเตอร�ขั้องจุ�าน์วิน์จุร�ง n ม�ต�) และสำ�.มค.าสำ.วิน์เบ&,ยุงเบน์มาตรฐาน์ขั้3%น์มา 1 ค.า เชิ.น์ การก�า หน์ดัค.าเร�,มต*น์สำ�า หร�บจุ�าน์วิน์จุร�ง 5 ค.า แสำดังดั�งต�วิอยุ.างใน์ร0ปท&, 5

1.24

2.18

0.95

1.56

0.73

0.50

x1 x2 x3 x4 x5

ร ปท$� 5 ต�วิอยุ.างการก�าหน์ดัค.าเร�,มต*น์สำ�าหร�บกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�2. การประเม�นิค�าค*าตอบการประเม�น์ค.าค�าตอบสำ�าหร�บกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� แตกต.างจุากวิ�ธ์&ประเม�น์

ค�าตอบขั้องขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมท&,ไดั*อธ์�บายุไวิ*ตอน์ต*น์ โดัยุกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�น์�%น์ไม.ต*องท�าการแปลงค.าท&,ถึ0กเก:บอยุ0.แบบขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม แต.สำามารถึน์�าค.าจุ�าน์วิน์จุร�งมาค�าน์วิณ์หาค.าควิามเหมาะสำมโดัยุใชิ*ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำมไดั*เลยุ เชิ.น์ ต�วิอยุ.างการก�าหน์ดัค.าเร�,มต*น์ขั้*างต*น์ ถึ*าฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำมค4อ f(x) = x1 + x2 + x3 + x4 + x5 เม4,อน์�าโครโมโซึ่มใน์

8

Page 11: Example Proposal

ร0ปท&, 5 มาหาค.าควิามเหมาะสำม จุะไดั*ค.าควิามเหมาะสำมเท.าก�บ 1.24+ 2.18

+0.95 + 1.56 + 0.73 = 6.66 เป+น์ต*น์

3. การสร-างประชื่ากรร2�นิใหัม�ด-วิยการกลัายพ�นิธ์2�การสำร*างประชิากรใหม.ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� ก.อน์อ4,น์จุะท�าการปร�บค.า

สำ.วิน์เบ&,ยุงเบน์มาตรฐาน์ก.อน์ โดัยุ Rechenberg [19] ไดั*เสำน์อกฏควิามสำ�าเร:จุ 1/5 (1/5 success rule) สำ�าหร�บการปร�บค.าสำ.วิน์เบ&,ยุงเบน์มาตรฐาน์ไวิ*ดั�งสำมการท&, 2

(2)

เม4,อ ค4อ ค.าสำ.วิน์เบ&,ยุงเบน์มาตรฐาน์P ค4อ อ�ตราสำ.วิน์ท&,กลายุพ�น์ธ์��แล*วิน์�าไปสำ0.ค�าตอบท&,ดั&ขั้3%น์ใน์

การท�างาน์ท&,ผ.าน์มา

การกลายุพ�น์ธ์��สำ�าหร�บจุ�าน์วิน์จุร�งแต.ละค.าใน์เวิคเตอร�จุ�าน์วิน์จุร�ง n

ม�ต� ท�าโดัยุการสำ�.มค.ามาจุากการกระจุายุปกต� น์�,น์ค4อ Zi ~ Ni(0, ) แล*วิจุะน์�าค.าท&,สำ�.มไดั*จุากการกระจุายุปกต�น์&%บวิกก�บค.าจุ�าน์วิน์จุร�งเดั�มท�กต�วิใน์เวิคเตอร� ท�าให*ไดั*ประชิากรร� .น์ใหม. เชิ.น์ ประชิากรเดั�มดั�งร0ปท&, 5 เม4,อท�าการกลายุพ�น์ธ์��ตามวิ�ธ์&ดั�งกล.าวิจุะไดั*ประชิากรใหม.ดั�งร0ปท&, 6

x1 x2 x3 x4 x5

ประชื่ากรเด�ม 1.24 2.18 0.95 1.56 0.73

Zi ~ Ni(0, )0.11 -

0.230.07 -

0.440.06

ประชื่ากรใหัม� 1.35 1.95 1.02 1.12 0.79

ร ปท$� 6 ต�วิอยุ.างการกลายุพ�น์ธ์��ใน์กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�

3. งานิวิ�จ�ยท$�เก$�ยวิข้-อง

9

Page 12: Example Proposal

งาน์วิ�จุ�ยุจุ�าน์วิน์มากใน์หลายุปEท&,ผ.าน์มาไดั*ท�าการพยุากรณ์�ใน์หลายุๆ ดั*าน์ ท�% ง ใ น์ ท า ง ก า ร เ ง� น์ ก า ร ธ์ น์ า ค า ร เ ศ ร ษ ฐ ก� จุ แ ล ะ สำ� ง ค ม เ ชิ. น์ Chiraphadhanakul และคณ์ะ [11] พยุากรณ์�เง�น์ฝากธ์น์าคารพาณ์�ชิยุ�, Kendall และคณ์ะ [17] พยุากรณ์�อ�ตราเง�น์เฟ้?อ, Sheta และ Mahmoud

[22] พยุากรณ์�กระแสำน์�%าขั้องแม.น์�%าไน์ล�, Iba และ Sasaki [15] พยุากรณ์�ตลาดัห�*น์ญ&,ป�@น์, Santini และ Tettamazi [21] พยุากรณ์�ดั�ชิน์&ดัาวิน์�โจุน์สำ�, มน์ฤดั& [3] พยุากรณ์�ผลผล�ตและราคาสำ�น์ค*าเกษตร, น์วิลพรรณ์ [2] พยุากรณ์�ม0ลค.าการสำ.งออกอ�ตสำาหกรรมสำ�,งทอไทยุ, ธ์�ดัาร�ตน์� [1] พยุากรณ์�ควิามต*องการใชิ*ไฟ้ฟ้?า, ยุ�พาภรณ์� [4] พยุากรณ์�สำ�น์ค*ายุ�ทธ์ศาสำตร�เกษตรกรณ์&ผ�กและผลไม*, ร�ศม& [5] พยุากรณ์�ปร�มาณ์น์�%าฝน์ใน์ภาคตะวิ�น์ออกเฉ&ยุงเหน์4อขั้องไทยุเพ4, อวิางแผน์การเพาะปล0กพ4ชิ, วิ�ลลภา [6] และ Kaboudan [16]

พยุากรณ์�ราคาน์�%าม�น์, Chantasut และคณ์ะ [9] พยุากรณ์�ปร�มาณ์น์�%าฝน์สำ�าหร�บแม.น์�%าเจุ*าพระยุา เป+น์ต*น์ เทคน์�คการพยุากรณ์�ใน์งาน์วิ�จุ�ยุต.างๆ ท&,ผ.าน์มาพอจุะสำร�ปไดั*เป+น์ 3 ประเภท ค4อ การใชิ*เทคน์�คทางสำถึ�ต�, การใชิ*ขั้.ายุงาน์ประสำาทเท&ยุม (Artificial Neural Networks) และการใชิ*เทคน์�คการค�าน์วิณ์เชิ�งวิ�วิ�ฒน์าการ

มน์ฤดั& [3], น์วิลพรรณ์ [2], ธ์�ดัาร�ตน์� [1], ยุ�พาภรณ์� [4] และ ร�ศม& [5] ใชิ*วิ�ธ์&พยุากรณ์�เชิ�งสำถึ�ต� โดัยุใชิ*ต�วิแบบต.างๆ ไดั*แก. วิ�ธ์&การวิ�เคราะห�การถึดัถึอยุ (Regression Analysis), วิ�ธ์&บอกซึ่�ขั้เจุน์ก�น์สำ� (Box-Jenkins

Techniques), วิ�ธ์&การปร�บให*เร&ยุบแบบเอกซึ่�โพเน์น์เซึ่&ยุล (Exponential

Smoothing Method), วิ�ธ์&อ�ตถึดัถึอยุ (Autoregressive Method),

และวิ�ธ์&การวิ�เคราะห�อน์�กรมเวิลาแบบคลาสำสำ�ค (Classical Time Series Analysis)

วิ�ลลภา [6] ใชิ*ขั้. ายุงาน์ประสำาทเท&ยุมแบบการเร&ยุน์ร0 *ยุ*อน์กล�บ (Backpropagation Neural Networks) ใน์การพยุากรณ์�ราคาน์�%าม�น์,

Chantasut และคณ์ะ [9] ใชิ*ขั้.ายุงาน์ประสำาทเท&ยุมแบบการเร&ยุน์ร0 *ยุ*อน์กล�บ ใน์การพยุากรณ์�ปร�มาณ์น์�%าฝน์สำ�าหร�บแม.น์�%าเจุ*าพระยุา ยุ�งม&อ&กหลายุงาน์วิ�จุ�ยุท&,ใชิ*ขั้.ายุงาน์ประสำาทเท&ยุมใน์การพยุากรณ์� โดัยุสำามารถึอ.าน์เพ�,มเต�มไดั*จุากงาน์สำ�ารวิจุขั้อง Zhang [24]

สำ�าหร�บงาน์วิ�จุ�ยุท&,ใชิ*เทคน์�คการค�าน์วิณ์เชิ�งวิ�วิ�ฒน์าการใน์การพยุากรณ์�ม&ดั�งน์&% การใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมใน์การพยุากรณ์� ไดั*แก. งาน์วิ�จุ�ยุขั้อง Vijayan และ Suresh [23], Chiraphadhanakul และคณ์ะ [11] การใชิ*

10

Page 13: Example Proposal

เทคน์�คกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� เชิ.น์ งาน์วิ�จุ�ยุขั้อง Kendall และคณ์ะ [17] การใชิ*ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรม เชิ.น์ Sheta และ Mahmound [22], Iba และ Sasaki [15], Santini และ Tettamazi [21] เป+น์ต*น์

Kaboudan [16] ใชิ*วิ�ธ์&ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรม ใน์การพยุากรณ์�ราคาน์�%า ม�น์ เปร&ยุบเท&ยุบก�บการใชิ*ขั้.ายุงาน์ประสำาทเท&ยุม และการใชิ*การพยุากรณ์�โดัยุวิ�ธ์&สำ�.ม (Random Walk) พบวิ.าการใชิ*วิ�ธ์&ก�า หน์ดัการเชิ�งพ�น์ธ์�กรรมให*ควิามผ�ดัพลาดัใน์การพยุากรณ์�ต�,าท&,สำ�ดั และท�%งวิ�ธ์&ก�าหน์ดัการเชิ�งพ�น์ธ์�กรรมและการใชิ*ขั้.ายุงาน์ประสำาทเท&ยุมให*ควิามค.าควิามผ�ดัพลาดัใน์การพยุากรณ์�ต�,ากวิ.าการใชิ*วิ�ธ์&สำ�.ม

Chiraphadhanakul [10, 11] ไดั*ท�าการพยุากรณ์�เง�น์ฝากธ์น์าคารพาณ์�ชิยุ� โดัยุใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม ซึ่3,งขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมท&,ใชิ*แบ.งเป+น์ 2 สำ.วิน์ ค4อ สำ.วิน์ท&,ใชิ*ใน์การหาค.าสำ�มประสำ�ทธ์�<ขั้องต�วิแปรใน์ต�วิแบบพยุากรณ์�เชิ�งเสำ*น์ และอ&กสำ.วิน์ค4อสำ.วิน์ท&,ใชิ*ใน์การเร&ยุน์ร0 *ต�วิอยุ.างขั้องการพยุากรณ์� โดัยุการทดัลองไดั*น์�าผลล�พธ์�ใน์การพยุากรณ์�เง�น์ฝากธ์น์าคารพาณ์�ชิยุ�ต� %งแต.ปE ค.ศ.

1986 ถึ3ง ค.ศ. 1995 จุากเทคน์�คดั�งกล.าวิมาเปร&ยุบเท&ยุบก�บการใชิ*ขั้.ายุงาน์ประสำาทเท&ยุม และการใชิ*วิ�ธ์&การวิ�เคราะห�การถึดัถึอยุแบบพห�ค0ณ์ (Multiple

Regression Analysis) พบวิ.าการใชิ*ขั้� %น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมดั�งกล.าวิให*ค.าควิามผ�ดัพลาดัใน์การพยุากรณ์�น์*อยุท&,สำ�ดั ใน์ขั้ณ์ะท&,การใชิ*น์�วิรอลเน์:ตเวิ�ร�กให*ค.าควิามผ�ดัพลาดัใน์การพยุากรณ์�สำ0งท&,สำ�ดั รายุละเอ&ยุดัขั้องวิ�ธ์&ขั้.ายุงาน์ประสำาทเท&ยุมและการวิ�เคราะห�การถึดัถึอยุแบบพห�ค0ณ์ สำามารถึดั0เพ�,มเต�มไดั*ใน์ภาคผน์วิก

งาน์วิ�จุ�ยุน์&%จุะเปล&,ยุน์วิ�ธ์&การพยุากรณ์� โดัยุวิ�ธ์&การใหม.น์&%ไม.ต*องทราบต�วิแบบการพยุากรณ์�ล.วิงหน์*า และจุะน์�าขั้*อม0ลเง�น์ฝากธ์น์าคารพาณ์�ชิยุ�ขั้อง Chiraphadhanakul [10, 11] มาเป+น์ขั้*อม0ลทดัสำอบ แล*วิจุะเปร&ยุบเท&ยุบผ ล จุ า ก วิ� ธ์& ก า ร ใ ห ม. ใ น์ ก า ร พ ยุ า ก ร ณ์� เ ง� น์ ฝ า ก ก� บ ผ ล ขั้ อ ง วิ� ธ์& ก า ร ท&, Chiraphadhanakul [10, 11] ท�า ไวิ*เดั�ม โดัยุใน์งาน์วิ�จุ�ยุท&, ไดั*ท�า ไปแล*วิ Rimcharoen และ Chongstitvatana [20] ไดั*น์�าวิ�ธ์&การดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�มาใชิ*ใน์การพยุากรณ์�อ�ตราแลกเปล&,ยุน์ พบวิ.าสำามารถึใชิ*เทคน์�คน์&%พยุากรณ์�อ�ตราแลกเปล&,ยุน์ไดั*โดัยุไม.ต*องทราบต�วิแบบการพยุากรณ์�ล.วิงหน์*า การทดัลองไดั*ใชิ*วิ�ธ์&การดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ใน์การวิ�วิ�ฒน์าการฟ้;งก�ชิ�น์ เพ4,อพยุากรณ์�อ�ตราแลกเปล&,ยุน์ค.าเง�น์บาทต.อดัอลลาร�สำหร�ฐ โดัยุน์�าขั้*อม0ลอ�ตราแลกเปล&,ยุน์ค.าเง�น์บาทจุากธ์น์าคารแห.งประเทศไทยุระหวิ.างเดั4อน์มกราคม –

11

Page 14: Example Proposal

พฤศจุ�กายุน์ ค.ศ. 1998 มาเป+น์ขั้*อม0ลใน์การพยุากรณ์� ซึ่3,งการทดัลองดั�งกล.าวิเป+น์สำ.วิน์หน์3,งขั้องวิ�ทยุาน์�พน์ธ์�น์&%

4. แนิวิค�ดแลัะวิ�ธ์$การด*าเนิ�นิงานิงาน์วิ�จุ�ยุน์&%ม&แน์วิค�ดัท&,จุะน์�าขั้�%น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการมาใชิ*ใน์การสำร*างต�วิ

แบบการพยุากรณ์� โดัยุการดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� ดั*วิยุการเพ�,มโครโมโซึ่มท&,ใชิ*เป+น์ต�วิแบบใน์การพยุากรณ์� ซึ่3,งโครโมโซึ่มน์&%สำามารถึแทน์ไดั*ดั*วิยุโครโมโซึ่มตามขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรม

วิ�ธ์&การพยุากรณ์�โดัยุใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์� แต.เดั�มจุะต*องทราบต�วิแบบใน์การพยุากรณ์�ล.วิงหน์*าและจุะใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ใน์การหาค.าสำ�มประสำ�ทธ์�<ขั้องต�วิแบบน์�%น์ งาน์วิ�จุ�ยุน์&%ไดั*พ�ฒน์าให*สำามารถึใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ใน์การพยุากรณ์�ไดั*โดัยุไม.ต*องทราบต�วิแบบก.อน์ ซึ่3,งงาน์วิ�จุ�ยุน์&%ไดั*ดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ให*หาท�%งค.าสำ�มประสำ�ทธ์�<พร*อมท�%งต�วิแบบใน์การพยุากรณ์�ไปพร*อมก�น์ โดัยุอาศ�ยุขั้*อม0ลใน์ชิ.วิงเวิลาหน์3,งเป+น์ขั้*อม0ลสำอน์

งาน์วิ�จุ�ยุน์&%ไดั*ดั�ดัแปลงให*ม&การปร�บปร�งร0ปแบบขั้องฟ้;งก�ชิ�น์ ใน์ระหวิ.างท&,กระบวิน์การวิ�วิ�ฒน์าการขั้อง (1+1)-ES ดั�าเน์�น์ไป แทน์ท&,จุะใชิ*วิ�ธ์&การ (1+1)-

ES ใน์การหาสำ�มประสำ�ทธ์�<ขั้องฟ้;งก�ชิ�น์อยุ.างเดั&ยุวิ การท�างาน์ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�แบบดั�ดัแปลง จุะสำ�.มฟ้;งก�ชิ�น์เป?าหมายุขั้3%น์มาจุากฟ้;งก�ชิ�น์และต�วิดั�าเน์�น์การพ4%น์ฐาน์ท&,ก�าหน์ดัไวิ* เชิ.น์ sin(), cos(), tan(), exp() โดัยุต�วิแปรอ�สำระท&,ใสำ.เขั้*าไปใน์ฟ้;งก�ชิ�น์อาจุจุะเป+น์ขั้*อม0ลขั้องวิ�น์ท&,ผ.าน์มาหร4อเป+น์ขั้*อม0ลท&,เป+น์ป;จุจุ�ยุท&,เก&,ยุวิขั้*อง เชิ.น์ใน์งาน์วิ�จุ�ยุขั้อง Chiraphadhanakul [10, 11] ไดั*ใชิ*ขั้*อม0ลผล�ตภ�ณ์ฑิ�มวิลรวิมประชิาชิาต� (Gross Domestic Product) และอ4,น์ๆ เป+น์ต�วิแปรอ�สำระสำ�าหร�บต�วิแบบพยุากรณ์� สำ.วิน์ใน์กล�.มขั้องต�วิดั�าเน์�น์การจุะประกอบดั*วิยุ +, -, *, / การแทน์ร0ปแบบขั้องฟ้;งก�ชิ�น์และต�วิดั�าเน์�น์การจุะแทน์ดั*วิยุเลขั้จุ�าน์วิน์เต:ม ดั�งตารางท&, 3

ตารางท$� 3 ต�วิอยุ.างฟ้;งก�ชิ�น์และต�วิดั�าเน์�น์การพ4%น์ฐาน์

Functions and operators

+ - * / sin()

cos()

tan()

exp()

Encoded 0 1 2 3 4 5 6 7

12

Page 15: Example Proposal

การสำ�.มเพ4,อสำร*างฟ้;งก�ชิ�น์ จุะสำ�.มแบบเสำมอก�น์ (Uniform Random)

โดัยุเล4อกมาจุากกล�.มขั้องฟ้;งก�ชิ�น์พ4%น์ฐาน์และกล�.มขั้องต�วิดั�าเน์�น์การสำล�บก�น์ ต�วิอยุ.างการสำร*างฟ้;งก�ชิ�น์ เร�,มต*น์จุะสำ�.มฟ้;งก�ชิ�น์ขั้3%น์มาจุากกล�.มขั้องฟ้;งก�ชิ�น์พ4%น์ฐาน์ เชิ.น์ สำ�.มไดั* 4 หมายุควิามวิ.า ไดั*พจุน์�แรกขั้องฟ้;งก�ชิ�น์เป+น์ sin(x) จุากน์�%น์สำ�.มต�วิดั�าเน์�น์การขั้3%น์มา สำมมต�วิ.าไดั* 0 น์�,น์ค4อไดั* ‘+’ เป+น์ต�วิดั�าเน์�น์การ และเน์4,องจุากต�วิดั�าเน์�น์การต*องการฟ้;งก�ชิ�น์ 2 ฟ้;งก�ชิ�น์ ดั�งน์�%น์จุ3งต*องสำ�.มฟ้;งก�ชิ�น์จุากกล�.มแรกอ&กคร�%งหน์3,ง สำมมต�วิ.าไดั* 5 ซึ่3,งเป+น์ต�วิแทน์ขั้องฟ้;งก�ชิ�น์ cos(x) ใน์ท&,น์&%ก:จุะไดั*ฟ้;งก�ชิ�น์เป?าหมายุจุากการสำ�.ม ค4อ f(x) = sin(x) + cos(x)

เม4,อสำ�.มฟ้;งก�ชิ�น์เป?าหมายุเร�,มต*น์ไดั*แล*วิ ก:จุะสำ�.มสำ�มประสำ�ทธ์�< (ค.าคงท&, c

ใดัๆ) เท.าก�บจุ�าน์วิน์พจุน์�ขั้องฟ้;งก�ชิ�น์บวิกก�บค.าคงท&,อ&กหน์3,งค.า ใน์ท&,น์&%จุะไดั*ฟ้;งก�ชิ�น์รวิมก�บสำ�มประสำ�ทธ์�< ค4อ f(x) = c0 + c1sin(x) + c2cos(x) การแทน์ร0ปแบบขั้องฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�<แสำดังใน์ร0ปท&, 7

c0 c1 c2 c3 … cn

f1 op1 f2 op2 f3 …opn

-1fn

ร ปท$� 7 การแทน์ค.าฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�<

จุากต�วิอยุ.างฟ้;งก�ชิ�น์เป?าหมายุท&,สำ�.มไดั*ขั้*างต*น์ เม4,อน์�ามาแทน์ค.าตามวิ�ธ์&การจุ�ดัเก:บใน์ร0ปท&, 7 แล*วิจุะม&ร0ปแบบใน์ร0ปท&, 8

c0 c1 c2

4 0 5

ร ปท$� 8 ต�วิอยุ.างการจุ�ดัเก:บฟ้;งก�ชิ�น์และค.าสำ�มประสำ�ทธ์�<

เม4,อก�าหน์ดัฟ้;งก�ชิ�น์เร�,มต*น์เสำร:จุแล*วิ ก:จุะประเม�น์ค.าควิามเหมาะสำมโดัยุอาศ�ยุฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำมใน์การประเม�น์ค�าตอบ ใน์ท&,น์&%ใชิ*ค.า MAPE

(Mean Absolute Percentage Error) แสำดังใน์สำมการท&, 3

(3)

13

Page 16: Example Proposal

เม4,อ g(x) ค4อ ค.าขั้องขั้*อม0ลจุร�ง (Actual Value)

f(x) ค4อ ค.าท&,ไดั*จุากฟ้;งก�ชิ�น์พยุากรณ์�x ค4อ เวิลา ณ์ ต�าแหน์.งใดัๆn ค4อ จุ�าน์วิน์ขั้*อม0ล

ขั้�%น์ตอน์การท�างาน์ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�แบบดั�ดัแปลงเขั้&ยุน์เป+น์รห�สำเท&ยุมไดั*ดั�งน์&%

Procedure adaptive (1+1)-ESbegin generation = 0 initialize functional form ( f )

initialize coefficient ( ) initialize standard deviation ( ) = ( f, , ) e = evaluate ( )

while termination criterion not fulfilled do

΄ = mutate ( ) e΄ = evaluate (΄)

if ( e΄ ≤ e ) then = ΄ generation = generation + 1od

end

ร ปท$� 9 รห�สำเท&ยุมขั้องการดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�

ต.อไปน์&%เป+น์ต�วิอยุ.างขั้�%น์ตอน์การท�างาน์ขั้องกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�แบบดั�ดัแปลง สำ�าหร�บการหาฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�ใน์การพยุากรณ์�ขั้*อม0ลชิ�ดัหน์3,ง โดัยุสำมม�ต�ขั้*อม0ลสำอน์ชิ�ดัหน์3,ง ค4อ

x 1 2 3 4 5g(x) 54.16 53.48 53.93 54.90 55.84

กระบวิน์การวิ�วิ�ฒน์าการจุะใชิ*ขั้*อม0ลสำอน์ชิ�ดัดั�งกล.าวิ ใน์การหาฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�<ใน์การพยุากรณ์� และจุะน์�าฟ้;งก�ชิ�น์ท&,ไดั*น์&%ไปพยุากรณ์�ค.า x ถึ�ดัไป ม&ต�วิอยุ.างขั้�%น์ตอน์การท�างาน์ดั�งน์&%

14

Page 17: Example Proposal

1. สำ�.มฟ้;งก�ชิ�น์เป?าหมายุ, ค.าสำ�มประสำ�ทธ์� และ ค.าเบ&,ยุงเบน์มาตรฐาน์ ตามรายุละเอ&ยุดัขั้*างต*น์ สำมม�ต�สำ�.มไดั*ค.าเร�,มต*น์ดั�งน์&%

= 0.5f(x) = 50.15 + 1.27sin(x) * 2.68cos(x)

2. ประเม�น์ค.าควิามเหมาะสำมขั้องฟ้;งก�ชิ�น์ โดัยุใชิ*ฟ้;งก�ชิ�น์หาค.าควิามเหมาะสำม ซึ่3,งใน์ท&,น์&%ใชิ*ค.า MAPE เป+น์ต�วิประเม�น์

x g(x) f(x) Error APE1 54.16 50.21 3.95 7.292 53.48 50.27 3.21 6.003 53.93 50.33 3.60 6.684 54.90 50.39 4.51 8.215 55.84 50.44 5.40 9.67

MAPE 7.57

3. ท�าการกลายุพ�น์ธ์��ค.า ใน์ท&,น์&%อ�ตราสำ.วิน์การกลายุพ�น์ธ์��แล*วิดั&ขั้3%น์ค4อ 0/1 (0 ค4อ ยุ�งไม.ม&การกลายุ

พ�น์ธ์��แล*วิดั&ขั้3%น์, 1 ค4อ ร� .น์ท&, 1 ใน์กระบวิน์การวิ�วิ�ฒน์าการ) ดั�งน์�%น์ ท�าการปร�บค.า โดัยุค0ณ์ดั*วิยุ 0.817 ตามสำมการท&, 2 ขั้*างต*น์ ไดั*ค.า = 0.4

4. ท�าการกลายุพ�น์ธ์��ฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�<ท�าการกลายุพ�น์ธ์��ฟ้;งก�ชิ�น์ โดัยุสำ�.มค.าฟ้;งก�ชิ�น์หร4อต�วิดั�าเน์�น์การใหม.ใน์

ต�าแหน์.งท&,จุะท�าการกลายุพ�น์ธ์��ภายุใต*ค.าควิามน์.าจุะเป+น์ค.าหน์3,งท&,ระบ�ให*ม&โอกาสำท&,ฟ้;งก�ชิ�น์จุะกลายุพ�น์ธ์��เป+น์เท.าไร ใน์กรณ์&สำมม�ต�วิ.าควิามน์.าจุะเป+น์ใน์การกลายุพ�น์ธ์��ฟ้;งก�ชิ�น์เป+น์ 1 แสำดังวิ.าต*องท�าการกลายุพ�น์ธ์��ฟ้;งก�ชิ�น์ใน์ท�กรอบ ใน์รอบน์&%สำมม�ต�วิ.าสำ�.มต�าแหน์.งการกลายุพ�น์ธ์��ไดั*ตรงก�บต�าแหน์.งฟ้;งก�ชิ�น์ cos(x) ดั�งน์�%น์ท�าการสำ�.มฟ้;งก�ชิ�น์ใหม.มาแทน์ cos(x) สำมม�ต�ไดั*เป+น์ tan(x) จุากน์�%น์ท�าการปร�บค.าสำ�มประสำ�ทธ์�<ขั้องฟ้;งก�ชิ�น์โดัยุการบวิกค.าจุ�าน์วิน์จุร�งท&,สำ�.มมาจุากการกระจุายุแบบปกต� เชิ.น์ สำ�.มไดั* 0.18, 0.15, -0.31 ตามล�าดั�บ ให*น์�าค.าท&,สำ�.มมาไดั*น์&%บวิกเขั้*าก�บค.าสำ�มประสำ�ทธ์�<เดั�ม แล*วิจุะไดั*ฟ้;งก�ชิ�น์ใหม.หล�งจุากท�าการกลายุพ�น์ธ์��ฟ้;งก�ชิ�น์และสำ�มประสำ�ทธ์�<แล*วิเป+น์

15

Page 18: Example Proposal

= 0.4f ’(x) = 50.33 + 1.42sin(x) * 2.37tan(x)

5. ประเม�น์ค.าควิามเหมาะสำมขั้องฟ้;งก�ชิ�น์ f ’(x) เชิ.น์เดั&ยุวิก�บต�วิอยุ.างการประเม�น์ค.าใน์ขั้*อ 2

6. เปร&ยุบเท&ยุบค.า MAPE ขั้องฟ้;งก�ชิ�น์ f(x) และ f ’(x) ค.าผ�ดัพลาดัขั้องฟ้;งก�ชิ�น์ใดัน์*อยุกวิ.าก:จุะถึ0กเล4อกเป+น์ฟ้;งก�ชิ�น์ต*น์แบบสำ�าหร�บรอบถึ�ดัไป

7. วิน์ท�าขั้�%น์ตอน์ต�%งแต.ขั้*อ 3 – 6 จุน์กวิ.าจุะไดั*ค.าควิามผ�ดัพลาดัน์*อยุท&,สำ�ดั หร4อท�าจุน์ครบจุ�าน์วิน์รอบท&,ก�าหน์ดัไวิ* ก:จุะไดั*ฟ้;งก�ชิ�น์พร*อมก�บสำ�มประสำ�ทธ์�<ใน์การพยุากรณ์�

5. วิ�ตถ2ประสงค�งาน์วิ�จุ�ยุน์&%ม&วิ�ตถึ�ประสำงค�เพ4,อน์�าเสำน์อวิ�ธ์&การใน์การพยุากรณ์�อน์�กรมเวิลา

โดัยุท&,ไม.ต*องทราบต�วิแบบและสำ�มประสำ�ทธ์�<ใน์การพยุากรณ์�ล.วิงหน์*า

6. ข้อบเข้ตการด*าเนิ�นิงานิ1. น์�าขั้�%น์ตอน์วิ�ธ์&เชิ�งพ�น์ธ์�กรรมมาใชิ*ใน์การสำร*างต�วิแบบการพยุากรณ์�

พร*อมท�%งใชิ*กลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ใน์การปร�บปร�งสำ�มประสำ�ทธ์�<ขั้องต�วิแบบพยุากรณ์�2. น์�าวิ�ธ์&การท&,น์�าเสำน์อใน์งาน์วิ�จุ�ยุน์&%มาใชิ*พยุากรณ์�อ�ตราแลกเปล&,ยุน์

เง�น์บาทต.อดัอลลาร�สำหร�ฐ โดัยุใชิ*ขั้*อม0ลใน์ระยุะยุาวิกวิ.าท&,เคยุน์�าเสำน์อใน์ [20]

เพ4,อทดัสำอบก�บจุ�าน์วิน์ขั้*อม0ลท&,มากขั้3%น์3. ใชิ*ขั้*อม0ลใน์การพยุากรณ์�เง�น์ฝากธ์น์าคารพาณ์�ชิยุ�ชิ�ดัเดั&ยุวิก�บ

[10] เป+น์ขั้*อม0ลใน์การทดัสำอบ4. เปร&ยุบเท&ยุบผลล�พธ์�ใน์การพยุากรณ์�เง�น์ฝากท&,ไดั*จุากงาน์วิ�จุ�ยุน์&%

ก�บผลล�พธ์�ท&, Chiraphadhanakul [10] น์�าเสำน์อ ซึ่3,ง [10] ไดั*เปร&ยุบเท&ยุบผลล�พธ์�ก�บผลจุากการใชิ*ขั้.ายุงาน์ประสำาทเท&ยุม และการใชิ*การวิ�เคราะห�การถึดัถึอยุแบบพห�ค0ณ์

5. การวิ�ดัค.าควิามผ�ดัพลาดัใน์การพยุากรณ์�จุะใชิ*ค.า MAPE (Mean

Absolute Percentage Error) เชิ.น์เดั&ยุวิก�บ [10]

16

Page 19: Example Proposal

7. ข้�1นิตอนิการด*าเนิ�นิงานิ1. ศ3กษาทฤษฐ&พ4%น์ฐาน์ขั้องขั้�%น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการ2. ศ3กษาวิ�ธ์&การใน์การพยุากรณ์�อน์�กรมเวิลา3. ออกแบบขั้�%น์ตอน์วิ�ธ์&เชิ�งวิ�วิ�ฒน์าการท&,จุะใชิ*ใน์การพยุากรณ์�4. ทดัสำอบวิ�ธ์&การท&,น์�าเสำน์อ5. วิ�เคราะห�ผลการทดัลอง6. สำร�ปผลและเร&ยุบเร&ยุงวิ�ทยุาน์�พน์ธ์�

8. ประโยชื่นิ�ท$�คาดวิ�าจะได-ร�บสำามารถึน์�าวิ�ธ์&การดั�ดัแปลงกลยุ�ทธ์�เชิ�งวิ�วิ�ฒน์�ท&,น์�าเสำน์อน์&% ไปใชิ*เป+น์ทาง

เล4อกใน์การพยุากรณ์�อน์�กรมเวิลา ท&,ไม.ร0 *ต�วิแบบการพยุากรณ์�และสำ�มประสำ�ทธ์�<ล.วิงหน์*า ซึ่3,งเป+น์แน์วิทางใน์การพยุากรณ์�สำ�าหร�บป;ญหาท&,ไม.ทราบต�วิแบบพยุากรณ์�โดัยุไม.ต*องอาศ�ยุผ0*เชิ&,ยุวิชิาญ

9. รายการอ-างอ�ง[1] ธ์�ดัาร�ตน์� จุ�น์ทวิ&, “การพยุากรณ์�ควิามต*องการใชิ*ไฟ้ฟ้?าเพ4,อการวิางแผน์

การผล�ตไฟ้ฟ้?าระยุะสำ�%น์”, วิ�ทยุาน์�พน์ธ์�ปร�ญญาสำถึ�ต�ศาสำตรมหาบ�ณ์ฑิ�ต,

จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2539

[2] น์วิลพรรณ์ ม&น์าท�.ง, “การพยุากรณ์�ม0ลค.าการสำ.งออกอ�ตสำาหกรรมสำ�,งทอขั้องไทยุ”, วิ�ทยุาน์�พน์ธ์�ปร�ญญาสำถึ�ต�ศาสำตรมหาบ�ณ์ฑิ�ต, จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2542

[3] มน์ฤดั& เก�ดัสำมบ�ญ, “การพยุากรณ์�ผลผล�ตและราคาสำ�น์ค*าเกษตร”,

วิ�ทยุาน์�พน์ธ์�ปร�ญญาสำถึ�ต�ศาสำตรมหาบ�ณ์ฑิ�ต, จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2542

[4] ยุ�พาภรณ์� อาร&พงษ�, “การพยุากรณ์�สำ�น์ค*ายุ�ทธ์ศาสำตร�เกษตร: กรณ์&ผ�กและผลไม*, วิ�ทยุาน์�พน์ธ์�ปร�ญญาสำถึ�ต�ศาสำตรมหาบ�ณ์ฑิ�ต, จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2542

[5] ร�ศม& หน์าน์สำายุออ,“การพยุากรณ์�ปร�มาณ์น์�%าฝน์ใน์ภาคตะวิ�น์ออกเฉ&ยุงเหน์4อเพ4,อวิางแผน์การเพาะปล0กพ4ชิ, วิ�ทยุาน์�พน์ธ์�ปร�ญญาสำถึ�ต�ศาสำตรมหาบ�ณ์ฑิ�ต, จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2542

17

Page 20: Example Proposal

[6] วิ�ลลภา อ�น์วิ�จุ�ตร, “การพยุากรณ์�อน์�กรมเวิลาสำ�าหร�บราคาน์�%าม�น์โดัยุน์�วิรอลเน์ตเวิ�ร�ก”, วิ�ทยุาน์�พน์ธ์�ปร�ญญาวิ�ทยุาศาสำตรมหาบ�ณ์ฑิ�ต ,

จุ�ฬาลงกรณ์�มหาวิ�ทยุาล�ยุ, 2539 [7] Back, T., Hoffmeister, F. and Schwefel, H. P. “A Survey

of Evolution Strategies.” Proceeding of the Fourth Conference on Genetic Algorithm, 1991

[8] Beyer, H.G. and Schwefel, H.P. “Evolution Strategies-A Comprehensive Introduction.” Natural Computing. Vol. 1, Issue 1, 2002

[9] Chantasut, N., Charoenjit, C. and Tanprasert, C., “Predictive Mining of Rainfall Predictions Using Artificial Neural Networks for Chao Phraya River”, The 4th International Conference of the Asian Federation of Information Technology in Agriculture and the 2nd

World Congress on Computers in Agriculture and National Resources, 2004

[10] Chiraphadhanakul, S. “Genetic Forecasting Algorithm”, Doctoral Dissertation, Assumption University, 1997

[11] Chiraphadhanakul, S., Dangprasert, P. and Avatchanakorn, V. “Genetic Algorithm in Forecasting Commercial Banks Deposit”, IEEE International Conference on Intelligent Processing Systems, 1997

[12] Goldberg, D. E. “Genetic Algorithms in Search, Optimization, and Machine Learning”, Addison-Wesley, 1989

[13] Hanke, J. E. and Reitsch, A. G., “Business Forecasting”, Fourth edition, Allyn and Bacon, 1992

[14] Holland, J. H. “Adaptation in Natural and Artificial Systems”, The University of Michigan Press, Ann Arbor, Michigan, 1975.

[15] Iba H., Sasaki, T. “Using Genetic Programming to Predict Financial Data”, The Congress on Evolutionary Computation, 1999

[16] Kaboudan, M. A., “Compumetric Forecasting of Crude Oil Prices”, Proceeding of the 2001 Congress on Evolutionary Computation, 2001

[17] Kendall, G., Binner, J. M. and Gazely, A. M. “Evolutionary strategies: A new macroeconomic policy

18

Page 21: Example Proposal

tool?” IFAC Symposium on Modeling and Control of Economic Systems, 2001

[18] Mitchell, T. M., “Machine Learning”, McGraw-Hill, 1997 [19] Rechenberg, I. “Evolutionsstrategie: Optimierung

technischer Systeme nach Prinzipien der biologischen Evolution”, Stuttgart: Frommann-Holzboog Verlag, 1973

[20] Rimcharoen, S. and Chongstitvatana, P. “An Adaptation of Evolutionary Strategies for Forecasting the Exchange Rate”, The 8th Annual National Symposium on Computational Science and Engineering, 2004

[21] Santini, M., Tettamanzi A. “Genetic Programming for Financial Time Series Prediction”, European Conference on Genetic Programming, 2001

[22] Sheta, A. F., Mahmoud, A. “Forecasting Using Genetic Programming”, The 33rd Southeastern Symposium on System Theory, 2001

[23] Vijayan, P., Suresh, S. “A Novel Evolutionary Approach to Linear Time-Series Forecasting Model”, International Conference on Computational Science, 2003

[24] Zhang, G., Patuwo, B. E. and Hu, M. Y., “Forecasting with Artificial Neural Networks: The State of the Art”, International Journal of Forecasting, 1998

19

Page 22: Example Proposal

ภาคผนิวิก ก

ข้�ายงานิประสาทเท$ยม (Artificial Neural Networks)

ขั้.ายุงาน์ประสำาทเท&ยุมเป+น์การจุ�าลองการท�างาน์บางสำ.วิน์ขั้องสำมองมน์�ษยุ� ท&,เป+น์เซึ่ลล�ประสำาทเชิ4,อมโยุงก�น์หลายุๆ เซึ่ลล� เม4,อเซึ่ลล�ไดั*ร�บสำ�ญญาณ์ไฟ้ฟ้?าเคม& เซึ่ลล�ก:จุะถึ0กกระต�*น์และสำ.งสำ�ญญาณ์ไปยุ�งเซึ่ลล�อ4,น์ๆ ขั้.ายุงาน์ประสำาทเท&ยุมไดั*จุ�าลองการท�างาน์เหล.าน์&% โดัยุม&โหน์ดัท&,เป+น์ขั้*อม0ลเขั้*า โหน์ดัก3,งกลาง และโหน์ดัท&,เป+น์ขั้*อม0ลออก ล�กษณ์ะขั้องขั้.ายุงาน์แสำดังดั�งร0ปต.อไปน์&%

ขั้.ายุงาน์ดั�งร0ปจุะประกอบไปดั*วิยุชิ�%น์น์�าเขั้*าซึ่3,งเป+น์ขั้*อม0ลเขั้*า ชิ�%น์ซึ่.อน์ และชิ�%น์น์�าออก โดัยุท&,ชิ� %น์ซึ่.อน์อาจุจุะม&มากกวิ.า 1 ชิ�%น์ก:ไดั* เสำ*น์เชิ4,อมท&,เห:น์ดั�งร0ปจุะเชิ4,อมต.อก�น์เป+น์ชิ�%น์ๆ

การเร&ยุน์ร0 *แบบยุ*อน์กล�บเป+น์วิ�ธ์&การหน์3,งขั้องขั้.ายุงาน์ประสำาทเท&ยุม ซึ่3,งกระบวิน์การเร&ยุน์ร0 *และปร�บปร�งแก*ไขั้จุะเป+น์ไปโดัยุอ�ตโน์ม�ต� ถึ*าขั้.ายุงาน์ให*ค�าตอบท&,ผ�ดั ค.าน์�%าหน์�กก:จุะถึ0กปร�บจุน์กวิ.าค.าควิามผ�ดัพลาดัจุะลดัลง หร4ออยุ0.ใน์เกณ์ฑิ�ท&,ยุอมร�บไดั* จุากโครงสำร*างขั้องขั้.ายุงาน์ขั้*างต*น์ เม4,อขั้.ายุงาน์ไดั*ร�บขั้*อม0ล

X1

X2

Xn

h1

h2

hl

O1

O2

Om

ชิ�%น์น์�าเขั้*า ชิ�%น์ซึ่.อน์ ชิ�%น์น์�าออก

20

Page 23: Example Proposal

น์�าเขั้*าก:จุะค�าน์วิณ์ค.าน์�%าหน์�กจุากโหน์ดัขั้*อม0ลเขั้*าไปยุ�งแต.ละโหน์ดัขั้องชิ�%น์ซึ่.อน์ และค�าน์วิณ์น์�%าหน์�กจุากโหน์ดัใน์ชิ�%น์ซึ่.อน์ไปยุ�งโหน์ดัท&,เป+น์ผลล�พธ์� เม4,อค�าน์วิณ์ค�าน์วิณ์ถึ3งโหน์ดัท&,เป+น์ชิ�%น์น์�าออกแล*วิก:จุะไดั*ผลล�พธ์� ท�าการเปร&ยุบเท&ยุบผลล�พธ์�ท&,ไดั*ก�บค.าจุร�งจุะไดั*ค.าควิามต.างระหวิ.างผลล�พธ์� แล*วิขั้.ายุงาน์จุะพยุายุามปร�บค.าควิามผ�ดัพลาดัจุากชิ�%น์น์�าออกและแพร.ยุ*อน์กล�บไปยุ�งชิ�%น์ซึ่.อน์และชิ�%น์น์�าเขั้*าต.อไป

ใน์การปร�บค.าเวิกเตอร�น์�%าหน์�กโดัยุขั้�%น์ตอน์วิ�ธ์&แบบการเร&ยุน์ร0 *ยุ*อน์กล�บ (Backpropogation) น์�%น์ ม&การน์�ยุามค.าผ�ดัพลาดัการสำอน์ แล*วิจุากน์�%น์จุะหาค.าเวิกเตอร�น์�%าหน์�กท&,ให*ค.าผ�ดัพลาดัต�,าสำ�ดั น์�ยุามค.าผ�ดัพลาดัดั�งน์&%

เม4,อ outputs ค4อ เซึ่ตขั้องโหน์ดัน์�าออกใน์ขั้.ายุงาน์tkd ค4อ ค.าผลล�พธ์�เป?าหมายุOkd ค4อ ค.าผลล�พธ์�ท&,ไดั*จุากขั้.ายุงาน์D ค4อ จุ�าน์วิน์ต�วิอยุ.าง

ขั้�%น์ตอน์วิ�ธ์&สำ�าหร�บขั้.ายุงาน์ประสำาทเท&ยุมแบบการเร&ยุน์ร0 *ยุ*อน์กล�บ จุากหน์�งสำ4อขั้อง Mitchell [18] หน์*า 98 แสำดังดั�งต.อไปน์&%

For each training example, Do1. Input the training example to the network and

compute the network outputs2. For each output unit k

3. For each hidden unit h

4. Update each network weight wi,j

where

21

Page 24: Example Proposal

ใน์งาน์วิ�จุ�ยุขั้อง Chiraphadhanakul [10, 11] ไดั*ใชิ*ซึ่อฟ้ต�แวิร�ชิ4,อ DataEngine ใน์การทดัลอง โดัยุใชิ*ขั้.ายุงาน์ชิ�%น์น์�า เขั้*า 6 โหน์ดั ชิ�%น์ซึ่.อน์ 7

โหน์ดั และชิ�%น์น์�าออก 1 โหน์ดั และม&การก�าหน์ดัค.าน์�%าหน์�กเร�,มต*น์ระหวิ.าง 0.5

ถึ3ง 0.5 ก�าหน์ดัการล0.เขั้*าเป+น์ 0.01 ก�าหน์ดัอ�ตราการเร&ยุน์ร0 * 0.1 ก�าหน์ดัโมเมน์ต�ม 0.09 โดัยุขั้*อม0ลเขั้*าท�%ง 5 โหน์ดัก:ค4อ ค.า x1 ถึ3ง x5

ภาคผนิวิก ข้

การวิ�เคราะหั�การถดถอยแบบพหั2ค ณ (Multiple Regression Analysis)

การวิ�เคราะห�การถึดัถึอยุแบบพห�ค0ณ์ เป+น์การพยุายุามท&,จุะประมาณ์ค.าเชิ�งสำถึ�ต�ขั้องควิามสำ�มพ�น์ธ์�ระหวิ.างต�วิแปรตาม (Dependent Variable) ซึ่3,งเป+น์ต�วิแปรท&,ต*องการพยุากรณ์� ก�บต�วิแปรอ�สำระต�%งแต. 2 ต�วิขั้3%น์ไป ซึ่3,งต�วิแปรอ�สำระน์&%สำ.งผลกระทบต.อต�วิแปรท&,ต*องการพยุากรณ์� ต�วิแบบทางคณ์�ตศาสำตร�ขั้องการวิ�เคราะห�การถึดัถึอยุแบบพห�ค0ณ์แสำดังดั�งต.อไปน์&%

y = b0 + b1x1 + b2x2 + … + bnxn

เม4,อ y ค4อ ต�วิแปรตามx1 … xn ค4อ ต�วิแปรอ�สำระb0 … bn ค4อ ค.าสำ�มประสำ�ทธ์�<การถึดัถึอยุ

การหาค.าสำ�มประสำ�ทธ์�<สำ�าหร�บต�วิแปรอ�สำระแต.ละต�วิ ไดั*มาจุากการหาค�าตอบขั้องสำมการ เชิ.น์ ใน์กรณ์ท&,ม&ต�วิแปรอ�สำระ 2 ต�วิ ดั�งน์&%

y = b0 + b1x1 + b2x2

ควิามสำ�มพ�น์ธ์�ระหวิ.างต�วิแปรน์&%จุะเป+น์ 3 ม�ต� ค4อม&แกน์ y, แกน์ x2 และแกน์ x3 ค.าสำ�มประสำ�ทธ์�<จุะหาไดั*จุากสำมการดั�งต.อไปน์&%

22

Page 25: Example Proposal

เม4, อค�า น์วิณ์ค.าต. างๆ ตามต�วิอยุ.างใน์หน์�งสำ4อขั้อง Hanke และ Reitsch [13] ใน์หน์*า 229 แสำดังดั�งตารางขั้*างล.างน์&% จุะไดั*สำมการออกมาเป+น์

112 = 10b0 + 14.4b2 + 114b3

149.3 = 14.4b0 + 21.56b2 + 155.3b3

1,480 = 114b0 + 115.3b2 + 1,522b3

เม4,อหาค�าตอบขั้องสำมการดั�งกล.าวิก:จุะไดั*ค.าสำ�มประสำ�ทธ์�<ดั�งน์&%

b2 = -8.2476b3 = 0.5851b0 = 16.4064

ดั�งน์�%น์ ต�วิแบบใน์การพยุากรณ์�ก:จุะไดั*เป+น์

y = 16.41 – 8.25x2 + 0.59x3

N Y X2 X3 X2Y X3YX2X

3Y2 X X

1 10 1.30 9 13 90 11.7 100 1.69 812 6 2.00 7 12 42 14.0 36 4.00 493 5 1.70 5 8.5 25 8.5 25 2.89 254 12 1.50 14 18 168 21.0 144 2.25 1965 10 1.60 15 16 150 24.0 100 2.56 2256 15 1.20 12 18 180 14.4 225 1.44 1447 5 1.60 6 8 30 9.6 25 2.56 368 12 1.40 10 16.8 120 14.0 144 1.96 1009 17 1.00 15 17 255 15.0 289 1.00 225

10 20 1.10 21 22 420 23.1 400 1.21 441Total

112 14.40

114 149.3

1,480

155.3

1,488

21.56

1,522

23